“
随着市场慢慢变得有效，获取阿尔法策略（所谓的alpha投资就是通过选股，选行业来获取超额收益,试图战胜某些指数）这种能力，开始变得非常贵和非常难，也不能让大规模的人去获取，这样的话对于普通的投资人来说，获得一个稳健的Beta收益，可能对他是比较好的，甚至是最好的一种投资选择。
PINTEC集团璇玑公司CEO郑毓栋
各位嘉宾下午好，非常感谢由曦老师（央行观察创始人）请我来做今天这个演讲。盛松成司长是从小微企业的角度，如何从供应链金融帮助小微企业融资，蚂蚁金服的李振华副院长讲了很多C端，主要还是在C端的信贷，消费金融这个方面。我则是讲C端的另一边——投资。一个C端的客户，如果没有钱，他需要去借钱，如果有了钱就要去投资，怎么能够把投资这件事情做好。
大家可能觉得数字化资产配置突然非常热，我想最大的原因是最近市场不是特别好，所以大家突然觉得很有兴趣，一个机器人能够怎么帮助投资。如果是在去年上半年的牛市，可能没有人去思考这个问题。PINTEC这个公司，我稍微介绍一下，我们是一家以智能金融为主的集团公司，我们下面有主要有两个业务，一个是智能信贷，还有一个智能理财，我们做智能信贷的公司做读秒，读秒引擎可以在10秒时间内对一个客户进行授信，目前我们每个月能够处理百万笔以上的消费金融，也跟国内一些知名电商做了一个合作。
另外一个业务就是我今天要讲的数字化资产配置，智能数字化配置资产的业务，是由我的子公司璇玑做的，这个概念非常火，但是什么是Digital asset allocation（数字化资产配置），这个概念的金融理论其实不是很性感，因为它说的就是把你的资产分散到可以投资的许多篮子里面，根据你自己的风险和资产、年龄，和各种个人的状况，来为你取得一个最优的风险收益的组合。在市场某一个资产不断上涨的时候，它会把那个资产比例调高；在某一个资产不停地下跌的过程当中，它又会把这个资产的比例调低，整个过程是一个非常自动化，不需要人去参与交易的，在长期投资中来获得一个适合你自己风险的一个稳健收益，其实这个是一个非常传统的金融理论，现在是一个新的智能化和数字化的时代，可以把用户体验做到极致。
目前我们看全球，所谓的智能化资产配置，管理了有300亿美金的资产，预测这个数字在美国就可能上升到两万亿美金，在全球可能会上升到三万四千亿美金左右的规模。我们来看一下，为什么在国外会有这么多人会利用它，或者认为这是一个趋势，首先我们看到在美国，有80%的人，对这个概念，也就是说通过一个智能的机器人，来帮助自己做理财和资产配置，它的认同度高达80%，他们认为这是一个比较有意思的事情。所以，在美国的市场，目前虽然只有三百亿美金的资金，但是随着各个巨头的进入，估计在2020年可以达到两万两千亿美金的资产。
第二，如何在这个市场把饼做大，中国市场是不是到了这样一个时间，我们觉得首先确实是有这样一个趋势，第一需要降低门槛，能够让每一个投资人享受这样一个资产配置服务。第二通过移动互联网的技术，使得每个人能够实时地去获取这种服务。第三个是一个Beta策略（所谓的Beta策略是在期现两个市场分别持有相反的头寸，从而建立的一种对冲机制，无论价格如何变动，对冲交易都能取得期货和现货两个市场盈亏相抵的效果，从而将系统性风险转移出去）的崛起，这个我们觉得在中国目前慢慢地产生了，也就是说在一个传统上，无效或者半有效的市场，可能它不太能够适合，但是随着市场慢慢变得有效，获取阿尔法策略（所谓的alpha投资就是通过选股，选行业来获取超额收益,试图战胜某些指数）这种能力，开始变得非常贵和非常难，也不能让大规模的人去获取，这样的话对于普通的投资人来说，获得一个稳健的Beta收益，可能对他是比较好的，甚至是最好的一种投资选择。
通过算法的驱动，因为大家知道从过去来看，对投资人造成损失最大的并不是因为市场，而是因为自己的情绪和行为，如果通过一种算法的驱动，来帮助投资人以正确的行为进行投资，这是帮助大家的一个非常大的点。
最后就是人机结合模式的发展，无论是贝莱得、UBS、德意志银行，我们都能看到，在整个财富管理和资产管理的行业，大家的趋势就是把跟人之间的沟通，交给一个人来做，但是把背后对于资产，对市场的分析，逐步地要交给机器上做。
首先我们简单地讲一下Beta的崛起，在美国这个市场，我们看到非常有意思的是，美国市场的超额回报的一个标准差呈现下降趋势，从1967年的16%左右下降至2012年只有6%左右，整个市场参与者能够打败市场的一个人，和他打败市场获取的超额回报，在逐年下降。与之对应的是美国这个市场机构的占比呈现上升趋势，从2008年的51.71%到2015年76.49%，散户和个人投资者在被挤占出这个市场。
这个可以让大家想起桥水基金创始人讲的一句话，他对散户投资人讲的一句话是，当你进入市场的时候，你面对的是我几百个训练有素的交易员，和许多做量化模型的拥有博士头衔的人，你没有机会赢。所以对于很多的散户的交易人，在美国这样一个有效的市场，它是逐步被挤压出去的市场，剩下在专业投资人的较量当中，去获取阿尔法就变得越来越难，可以能够预见的是在中国市场，在未来专业投资人变得越来越多的情况下，我们的一个阿尔法的超额回报，也可能会在逐渐地减少甚至消失的方向去行走。
与之相对的是整个美国，基于Beta的投资在逐年递上涨。美国ETF资产量从十年前的4000亿美金，涨到了今天的2.1万亿美金，涨了5倍。仅仅在2015年，指数性的共同基金的流入，就是1660亿美金。大家知道美国有一家公司Vanguard，它是专门以被动投资见长的，做ETF见长的，他们是从1987年以来，连续20年获得了一个资金的净流入，既使是在金融海啸，在911，在亚洲金融危机的时候，他们这个公司的资金净流入还是一个流入，从来没有一年出现过一个出去。美国Beta的市场给智能提供了个非常好的土壤。
这个是目前已经进入了数字化资产配置的这个公司，Wealthfront、Betterment和PERSONAL CAPITAL都是初创企业，其中Wealthfront和Betterment是以自动化投资建长的，PERSONAL CAPITAL是以人机结合为主，他们各自可能管理着大约30亿美金左右的资产，客户数在5万到10万之间，但是资本市场给他们的估值，每一家都在10亿美金以上，也就是说他们只管理这30亿美金的资产，但是估值已经有10亿，整个说明美国资本市场对这个行业是非常地看好。不仅如此，从去年初开始到今年，我们看到所有的巨头也进入了这个领域，包括收购了FutureAdviso的世界第一大资产管理公司叫贝莱德，UBS投资了Sigfig，等等。我们看到业界都开始往这个方向去走，所以我们认为它是一个在技术上，投资逻辑上是成立的，在技术上是可行的，在商业逻辑上也是非常具有吸引力的一个业务和场景。
监管上来看，其实我们国家今天要发展Robo-Advisor，可能还会有些障碍在里面，这里我主要列了三点：
首先Robo-Advisor到底是一个投顾还是一个资管，这个今天是不明确的一点。
第二我们到底是寻求对结果的一个监管，还是去寻求一个对过程的监管，也就是说对算法的一个框架，对整个体系的结果，还是只追求一个对结果的监管。
第三适应性，机构提供了一个责任，它的权利和界限在什么地方。
这个都是今天我们国内对这个业务去进行规范和鉴定的时候，可能需要去思考的一个分享。
正因为美国已经对整个监管做了一个很大的框架，我们看到在美国的Robo-Advisor，基本上都是以资产配置为主的，发展出了to C、to B和人机结合的各种模式。但是在中国Digital asset allocation因为监管暂时不明确，它被赋予了更多的意义，也是目前市场上大家都比较担忧的，比如有一些公司把Robo-Advisor定义成智能的选股，这个可能会因此监管的一些担忧，在横向发展上，我们看到大约有50%的公司，并没有以美国的或者欧洲的定义来做Robo-Advisor这个业务。我们以一个纯资产配置的角度来定义这件事情，我们如何做这件事情，它的演进在哪里？这个在科技上的演进，其实是有三步：
第一步，我们以前说的一个资产配置，叫One Solution for all，也就是说我有一个对市场的看法，这个市场的看法我传递给了投资人，投资人根据我对这个市场的看法，对自己去进行资产配置，这个叫One Solution for all。
第二步，它会发展到一个叫Smart Beta，通过市场的变化，来进行一个组合的调整，我每个投资人可能有一个在同一条线上，我根据不同的风险点，我可以出现一个不同的投资组合。
第三步，最终我们应该发展到Bespoke Beta，定制化的一个资产配置，即每个客户根据自身的情况，在各个时间点，你都会有一个个性化的一个最优的资产配置，这个是金融科技，希望通过数字化资产配置，来达到的一个最终的定义。
为了要做到这一点，可能需要做几事情，数据处理、资产配置，产品适配，还有交易的优化。首先我们看到在配置这个层级上，我们要看到的是，首先为什么资产配置这个理论，自1952年马克维斯提出以后，一直到这两年才有机构逐步地去做所谓的数字化资产配置，而以前都是一个经济学家，或者是一个投行的客户经理跟客户面对面地进行服务，它的一个主要的原因是，它的计算量级还是比较大的，以十个的资产来算，如果你要去做到0.01个百分之点的精确度，每一个客户可能会有10的36次方种资产的组合。这个是人没有办法去进行瞬间地计算，更不用说市场在瞬时的变化，每个客户也有不同的情况。所以，如何在帮每一位客户，根据他在市场所处的不同，和自身状况的不同，和市场的不同，去时时地计算出属于他的风险收益资产，那就是整个金融科技今天要解决的第一步。
第二步，对数据的一个处理算法，传统上我们看到，我们对一个资产的风险，一个相关度的识别，可能是拍脑袋的，但是其实我们有数十个因子，每个因子在传统上可以有不同对资产诠释的方法，但是我们过去没有办法去做这样的一种量化统计和学习。但是我们通过机器学习，我们应对实时的一个数据以后，我们可以对每个资产的风险波动，和相关度做出一个实时的诠释和判断。经济学处理数据和传统的量化数据相比来看，有什么样的好处，它至少有两个好处：
好处一，对数据的分类，它能有一个更有效的分类，在这个图上，红色的点和蓝色的点，我们通过一个传统量化的线性假设是没有办法区分的，但是当你把这样的数据源输入到之前学习的模型当中，无论是SVM，还是Decision Tree这样的模型，你突然就有了很多种的方式去分类这样一个数据，很好地数据分类，对过去的诠释是对整个数据的一个解释，样本的分析、概率的统计当中，非常好的一个助力。
好处二，机器学习这个模型，是一个自我演进的模型，传统的量化模型是一个非常静态的模型，当你要做到机器学习的时候，你每一天对于市场的观测和预测，以及判断，在当天结束的时候，就能够被得到验证，无论这个验证是正确还是错误，它会被输入回到整个模型当中，使得整个模型发生一种参数的微调和变化。所以它不需要一个机器学习或者一个模型设计者，去实时地检测、调整这个模型，这个模型能够被自己学习和自我调整。
这边是讲了机器学习和量化的几个区别，机器学习是一个能够模型自动优化和参数实时变化的一种方式。当然我们需要非常注意的是，一个是过渡拟合，也就是说不要把太多的垃圾数据，放到这个模型里面，以至于整个模型出来的数据能够非常好地诠释过去，乃至对未来的预测，可能是出现了很大的披露。第二个不要过度赌博，因为我们做的是一个资产配置的模型，不是一个博弈的量化对冲基金，最终整个模型的参数是需要回到一个传统的资产配置均值方差的一个模型当中，这两边是LTCM的教学，他们是人工智能的一个先驱，这两个都是诺贝尔奖的得主，一个是莫顿，一个是斯卡尔斯，他们创造了LTCM模型，这些模型能够达到一个99%所谓的一个预测准确率，但是由于没有采取正确的资源配置方式，而采取一种博弈的方式，当一个流动性丧失，或者一旦博弈错误的时候，整个公司将陷入万劫不复。这家公司93年成立，93年到97年每年有40%的回报，但是到98年由于俄罗斯金融危机，这个公司倒闭，当时发生了一个非常大的风险。
第三个，在中国市场所独有的一个事情，我刚才讲了美国市场的Beta是非常大的市场，但是在中国市场大部分的产品，都是主动管理型的产品，所以我们如何去帮助客户选到了不同的资产类别之后，去选择相应的产品。在中国市场成为了一种非常有意思的一个点，这边就需要一个算法，去把不同的大类资产，背后的一个产品选出来，这个产品是不是一个所谓的最好的产品，最优的产品，以及帮客户最能赚钱的产品，其实往往并不是这样，因为越是风格多变的产品，它往往越不适合在一个资产配置的组合里面出现。整个这个组合他选的是一个体系，和一个团队，他能够帮助组合去弥平风险，去创造最优的风险收益比，而不是选择所谓的明星产品和明星产品的经理。
在中国市场我们需要有相关度，拟合度，延展性，各类的算法去支持不同的新的产品体系。最后这也是中国市场所独有的，这是一个交易的算法，因为在美国市场，当你Robo-Advisor的底层用的是ETF的时候，你没有这个问题，因为ETF是一个t+0的交易，它的交易成本也非常低，用户在做调仓的时候，他其实所面临的成本是非常低廉的。但是因为我刚才讲过，中国市场并不是一个以Beta为主的市场，我们需要用一条产品的筛选体系，去为每个大类资产筛选出一个适配的产品出来。在这样的一个体系下，选出来的产品可能有非常大的交易摩擦成本，它有它的交易成本，还有它的交易时间的限制，有交易规模的限制，也有交易频率的限制。如何帮助用户在这样一个调仓的过程中，能够最好地节省时间和节省成本，让它完成一次最优的调仓交易，使得它自己的调仓交易，在最短的时间和最低的成本下完成，是一个交易优化的模型需要进行考虑的，特别是在中国需要考虑这个事情。
今天璇玑有一个全中国的架构，是基于中国的数字化的市场架构，它由四部分组成：
第一部分，是数据处理模块。
第二部分，是数据的配置模块。
第三部分，是产品的适配模块。
第四部分，是交易优化的模块。
目前我们这个架构是开放给了所有的机构，我们也在跟券商，跟银行，跟金融机构和互联网的平台，做一些深入的合作，把我们的这个架构，铺设到他们的系统上面去。最终我们看到，从一个被动的，静态的资产配置的Beta，我们去到了一个有效动态调整的Smart Beta，最后变成一个以千人千面的，以每个人的动态资产配置，这个就是数字化资产配置，要帮每个人做的一件事情。
今年市场非常波动，而A股回撤非常大的时候，璇玑所有风险组合都取得一个正回报，正因为当你不是一个机器的时候，你可能没有办法算出今年黄金和风险资产的收益率的波动，和相关是负的，你可能也没有办法算到新兴市场的隐含波动率是A股的只有一半，相关度高达80%到90%以上，所以从一个最优资产的角度来说，你可能应该配新兴市场，而不是配A股。但是从一个机器的角度，从一个数字化的资产配置的角度，他永远地去帮你寻求一种最优的风险收益比，来寻求一个帮你控制波动。所以今天我们靠到的是在我们的一个组合下，我们可以通过非常低的波动，来帮助投资人获得非常好的风险收益的表现，而这样的一种波动，并不是我通过择时和选股找到的，而是通过一种非常简单的、普通的Beta产品的组合获得的。
从长期来看，我们这边获得的一个事情，是一个高风险、高回报，低风险低回报，因为投资没有魔术，有太多的投资去说你可能出现一个无风险、高回报的一种投资，但是从长期来说，这样的事情是不存在的。Robo-Advisor最根本是帮助客户去做一件事情，根据你所能够承担的风险，来获取一个长期的你愿意得到的一个回报，也就是说风险是你付出的成本，而回报是你获得的一个收益。
在场可能也有我们金融监管机构的从业者，我讲一下美国是怎么监管Robo-Advisor的，美国监管Robo-Advisor从三个部分来定位：
第一，合法性。美国在1940年就有了投资顾问法，一个所谓的Robo-Advisor，他不管是一个人，还是一个机器人，它都是由这个法律去监管。
第二，是它的定位。Robo-Advisor的定位是什么。在美国它被定义为是一个工具，这个工具是用来帮助投资人理解自己的风险，获得自己风险项下最优回报的一种建议的一种可能，它本身并不是一个产品，它也不是一种资管的服务，而是一种工具。
第三，是它的适用性。在16年的3月FINRA也出了一个报告，就是如何在算法、组合和风险的承受能力上，哪一些用户能够适用于Robo-Advisor这样一个产品，也做了一个规避。
具体来看国内监管应从五个方面着手：
第一，运营主体，我们认为在国内是要监管的，什么样的运营主体可以做Robo-Advisor。
第二，它的底层资产，如果用个股做底层资产，很容易引发一些有可能的道德风险。
第三，技术监管，如何对策略、算法和框架进行监管，以防止表面上是一个robo，但背后其实是一个人，这样的一种可能性。
第四，信息安全，如果能够保护客户的信息和隐私不泄漏，包括他做的每一笔交易的信息和隐私不进行泄漏。
第五，盈利模式，如何允许一个Robo-Advisor收取管理服务费用，而非交易费用，这样使得它和投资人的利益，能够保持一致，这个是我国监管可能对于所有的Robo-Advisor，智能投部未来的一个监管可以思考的方向。
我的演讲到此结束，谢谢各位。
)
